来源：DeepTech深科技
2026 年 7 月 14 日，成立仅两年的 AI 驱动药物发现公司 Chai Discovery（下文简称 Chai）宣布完成 4 亿美元的 C 轮融资，估值达到 38 亿美元。
Chai 的目标是“为分子构建一套计算机辅助设计工具（CAD for molecules）”，将充满不确定性的药物发现过程转化为可预测的工程问题。礼来（Eli Lilly）、辉瑞（Pfizer）和诺华（Novartis）已成为第一批为这一愿景付费的客户。
这家公司备受制药巨头青睐的原因或许在于，在一个靠临床资产赚钱的行业里，Chai 多次公开承诺，自己只卖工具，永远不会自建管线。
一支“人工智能原住民”组成的创始团队
Chai 的四位创始人几乎都来自 AI 领域。CEO 约书亚·迈尔（Joshua Meier）本科在哈佛大学修读化学和计算机科学，期间进入张锋实验室参与 CRISPR 研究。2018 年，约书亚加入 OpenAI，亲历 GPT-1 和 GPT-2 的开发过程。这段经历让他意识到，大模型如果能理解自然语言，理应可以理解 DNA 这种“真正的自然语言”。他决定带着这一新认知重返生物技术行业。
约书亚随后加入 Facebook 人工智能研究院（现在的 Meta FAIR），共同主导开发首批基于 Transformer 架构的蛋白质语言模型 ESM-1b 和 ESM-1v。2023 年，他出任上市 AI 生物制药公司 Absci 的首席人工智能官，带领团队推进从头抗体设计的生成模型研究。
联合创始人杰克·登特（Jack Dent）是迈尔在哈佛计算机系的同班同学。首席技术官（CTO）马修·麦克帕特隆（Matthew McPartlon）是约书亚在 Absci 工作期间的同事，擅长从头抗体设计建模。第四位创始人雅克·布瓦特罗（Jacques Boitreaud）则来自一家名为 Aqemia 的法国 AI 制药公司。
约书亚在 OpenAI 期间曾与山姆·奥特曼（Sam Altman）多次讨论过孵化一家蛋白质组学衍生公司的可能性，只是当时觉得时机未到。2024 年初，约书亚和杰克再次找到山姆。谈话结束后，他们决定创办 Chai Discovery，OpenAI 成为最早的种子轮投资方之一，并连续参与了之后多轮融资。
（来源：Chai Discovery）
这支团队的 AI 原生基因给公司注入了关键理念：他们将生物制药视为一个借助软件产品逻辑不断迭代的信息处理问题，而非通过湿实验室反复试错的传统手艺。
让模型先学会“看”分子，再“造”分子
2024 年 9 月，公司发布多模态基础模型 Chai-1，能预测蛋白质、小分子、DNA、RNA 以及共价修饰的三维结构，性能与 AlphaFold 3 处于同一水平。在基准测试上，Chai-1 的蛋白质-配体预测成功率达到 77%，多聚体结构预测准确率为 69.8%，超过 AlphaFold Multimer 的 67.7%。
Chai-1 还具备一个关键优势，无需借助多序列比对（MSA）就能顺利完成任务。相比之下，大部分其他结构预测方法通常需要进行大量 MSA 计算，预测全新序列的价格相当昂贵。
2025 年，单克隆抗体爆发，占据新药批准的 25%，成为制药行业增长最快的板块之一。而且，抗体从头设计所涉及的公开数据相对丰富，分子结构-功能关系清晰，Chai 看准了这一点，将下一代模型高度聚焦于抗体设计。
2025 年 6 月底发布的多模态生成模型 Chai-2 完成了从“看”分子到“造”分子的升级。Chai-2 采用全原子（all-atom）架构，将结构预测与序列生成整合进单次推理。使用者仅需指定靶点结构和绑定表位（几个残基即可），即便未提供任何已知起始抗体模板，模型也能直接“零样本”生成完整的抗体设计。
实验验证中，团队在 52 个此前没有已知抗体结合物的全新靶点上开展测试，Chai-2 的整体命中率为 15.5%。模型还成功为难以处理的靶点设计出了结合物，小蛋白结合物任务的命中率达到 68%，部分设计的结合亲和力达到皮摩尔级。作为对比，传统计算方法的抗体设计命中率通常低于 0.1%。
Chai-2 的效率也是一大看点，每个靶点只设计了不到 20 个分子，其中一半靶点在单轮测试中找到了至少一个成功的结合物。从发现、设计到实验室验证的全流程不到两周。
（来源：Chai Discovery）
2026 年，公司推出最新一代 Chai-3 模型，目前尚未公开技术报告或第三方基准测试，但 Chai 宣称其成功率是 Chai-2 的两倍，在治疗性结合、多特异性分子设计和跨靶点泛化方面均有提升。
速度之外，值得关注的还有 Chai 的开源策略。
Chai-1 的模型权重和代码全面开放，可供非商业研究使用，网页版工具还对商业用途免费开放。截至 2026 年 4 月，Chai-1 已被超 400 篇学术引用，成为结构预测的主流研究工具之一。
从 Chai-2 开始，公司全面转向闭源。核心的生成设计能力不再公开，只通过商业许可提供。2026 年，Chai 与礼来、辉瑞相继建立合作，基于后者各自的专有研究数据训练定制版模型。
这构成了三层递进的产品架构：开源基座模型建立品牌认知和学术信任，闭源产品向药企收取许可费，定制模型深度嵌入客户工作流。
只做软件，不建管线
“计算机辅助分子设计”（CADD）是 Chai 押注的技术路线，但该赛道已经存在了数十年，我们熟知的药明康德就在长期提供此类服务。
（来源：Chai Discovery）
真正将 Chai 和竞争者区分开的，是其“只做软件，不建管线”的业务承诺。
AI 制药领域存在一个行业共识：要想赚大钱，就必须自建临床资产，最好能变成一家药企。共识之下，其他头部公司几乎都转向了“平台+管线”的混合路线。
但 Chai 决定挑战这一教条。杰克的判断是：如果一款药物发现引擎能可靠地产出大量有前景的候选分子，其价值已经足以撑起一家公司。
2025 年 8 月，Chai 完成 7,000 万美元 A 轮融资，并宣布前辉瑞首席科学官米卡埃尔·多尔斯滕（Mikael Dolsten）加入董事会的消息。米卡埃尔称赞 Chai 做出了一个“明智的选择”：在一个大药企需要最值得信任的外部合作伙伴的世界里，不同时运营自己的管线，才能真正获得客户信任。
除了消除客户戒心，这一策略还有望大幅降低资本投入，同时提升公司对接药企时的灵活性。
药物研发是重资产行业，推进单个分子进入临床，动辄烧掉数亿美元。但 Chai 直接将所有物理验证打包交给合作伙伴，轻装上阵。
当然，纯平台模式的代价显而易见。按照惯例，如果合作方最终开发出年销 10 亿美元的重磅药物，Chai 只能拿到 500 万到 5,000 万美元；如果公司建立自有资产，按标准生物技术条款授权，能获取的价值则在 5%~20% 之间。Chai 目前并未公开具体的收入结构。行业推断，公司与礼来签订的年度许可费在数千万美元级别。
在巨头环伺中等待“临床大考”
在 AI 药物发现的战场上，Chai 的处境可谓强敌环伺。
谷歌孵化的 Isomorphic Labs 主攻药物设计引擎，同时推进自有候选药物。3 月，Isomorphic Labs 获得 21 亿美元融资，与礼来和诺华敲定了总价近 30 亿美元的合作。
也有 AI 巨头选择亲自下场做药：OpenAI 通过与诺和诺德（Novo Nordisk）和赛诺菲（Sanofi）的企业合作进入药物研发，Anthropic 推出了 Claude for Life Sciences 产品线……
诺贝尔化学奖得主大卫·贝克（David Baker）联合创办的 Xaira 自研虚拟细胞模型，从细胞扰动响应角度开发药物。大卫团队 2025 年在《自然》（Nature）发表从头生成全长抗体的工作。Xaira 同期也建设了大规模实验平台和自有药物管线。
Recursion 和 insitro 走表型组学路线，用高通量成像和多组学数据构建生物学模型。前者拥有全球最大的自动化生物实验室之一，在微软 Azure 的算力支持下，多个自研分子已进入临床阶段。开源竞争者 Boltz 2026 年初完成 2,800 万美元种子轮融资，与辉瑞签署多年合作。
从对手公司的合作版图中，我们不难看出，大药企普遍采取“多家赛马”策略，Chai 并非唯一选项。
但 Chai 必定不满足于只当备选。砍掉自建管线的后手，提升模型性能就是唯一的出路。在前期训练中，大部分蛋白质和抗体结构数据都是公开资源，差异只来自算法和算力，极易被资金充足的对手砸钱追平。
如果能与药企深度绑定，为其定制模型，Chai 就能拿到更多不公开的优质数据，理论上可以形成“越用越好”的飞轮，进而提高客户的切换门槛。
问题在于，整个行业目前还没跑通临床验证。全球目前已投入约 200 亿美元用于生成式人工智能药物发现，超过 173 个人工智能来源的药物项目正在推进开发，却没有一款人工智能设计的药物获批上市。
数据显示，人工智能驱动的药物发现在一期临床通过率上可达 80% 到 90%，但到二期临床时会降至 40% 左右，与经典药物发现策略的通过率基本持平。也就是说，人工智能到底能否又快又好地设计出新药，目前仍是一个无法证实的命题。
随着模型能力不断提升，当 AI 辅助药物发现成为标配工具，行业格局或将演变为少数平台供应商服务绝大部分药企。Chai 若能保持两年迭代三代模型、每代性能都翻倍的节奏，有望树立 AI 制药的“摩尔定律”。
以上只是最乐观的猜想。
作为 Chai 此次融资的参投方之一，General Catalyst 董事总经理埃琳娜·维博奇（Elena Viboch）在 2026 年初表示：现在与 Chai 建立合作的药企，将在 2027 年底迎来首批进入临床试验的新药。
这是一剂强心针，也开启了紧张的倒计时：如果到时依然没有分子进入临床，客户的合作信心会被动摇，进而影响 Chai 的市场价值。
结构预测正在被商品化，下一阶段，AI 药物发现将在闭环实验、表型整合、临床转化预测等领域展开竞争，这些都不在 Chai 目前的能力范围内。加之纯平台模式的获利天花板远低于自建管线，只做软件的承诺或许只是一种早期获客策略。
因此，Chai 究竟会成为走在 AI 制药前沿的行业定义者，还是转而加入“平台+管线”的赛场，明年底是第一个观察窗口。
参考内容：
https://www.nytimes.com/2026/07/14/business/dealbook/chai-discovery-ai-drug-development.html
https://www.chaidiscovery.com/news
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成